Gender-API مقابل ChatGPT: بأي منهما يُحدَّد جنس الاسم؟
كلاهما يستطيع أن يخبرك أن Sandra اسم مؤنث في العادة. لكن واحدًا فقط يستطيع أن يخبرك من أين عرف ذلك، وأن يعطيك الجواب نفسه في العام المقبل، وأن يحدد سعر مليون اسم قبل أن تبدأ
الجواب المختصر
- استخدم نموذجًا لغويًا عندما تحتاج إلى حكم على حفنة أسماء، أو إلى نص يُقرأ: شرح، أو أصل، أو صيغة مخاطبة
- استخدم قاعدة أسماء عندما يجب أن يكون الجواب مطابقًا غدًا، وأن يأتي مع دليل، وأن يكون له سعر لكل سجل، أو أن يصمد أمام سؤال من مسؤول حماية البيانات
- عند الأحجام الكبيرة لا تحسم الدقة، بل تحسم القدرة على تقديم الحساب. 9,124,598 اسم موزعة على 192 بلدًا، كل جواب يحمل عدد عيناته الخاص، في مقابل توليد لا يستطيع أن يبين كيف وصل إلى نتيجته
- الاثنان يتكاملان جيدًا. أعطِ النموذج هذه الواجهة كأداة — ننشر خادم MCP مُستضافًا لذلك — فيأتي الوسم من البيانات والصياغة من النموذج
ما هما هذان الشيئان في الحقيقة
Gender-API.com خدمة بحث فوق قاعدة أسماء. 9,124,598 اسم، موزعة حسب البلد الذي رُصدت فيه، ودعم 192 بلدًا. ترسل اسمًا فتحصل على جنس واحتمال وعدد العينات التي يستند إليها الجواب. ولا شيء يُولَّد
ChatGPT — ومثله كل نموذج لغوي عام آخر — مُولِّد نصوص. يعرف أن « Sandra » ترد في سياقات مؤنثة لأن الكلمة تصرفت هكذا في نص تدريبه. هذه إشارة مفيدة فعلًا، ومع الأسماء الشائعة تعطي الوسم الصحيح. لكن لا شيء في بنيته يحفظ كم Sandra كانت امرأة في البرتغال، فلا يوجد ما يُقتبس، ولا ما يُوضع له حد، ولا ما يُراجَع
هذه الحقيقة البنيوية الواحدة هي أصل كل الفروق العملية أدناه
مقارنة مباشرة
الفروق التي تبقى قائمة أيًّا كان النموذج الذي تختاره
| ما تحتاج إليه | Gender-API.com | نموذج لغوي عام |
|---|---|---|
| الجواب نفسه للمدخل نفسه في كل مرة | نعم — لأنه بحث في قاعدة بيانات | لا — المعاينة وصياغة الطلب وإصدار النموذج كلها تحرّكه |
| الدليل وراء جواب واحد | عدد العينات والاحتمال لكل نتيجة ولكل بلد | لا شيء؛ ورقم الثقة، إن طلبته، مُولَّد هو أيضًا |
| تغطية يمكنك النص عليها كتابةً | 9,124,598 اسم، 192 بلدًا | غير معروفة وغير معلنة |
| أجوبة خاصة بكل بلد | معامل البلد أو locale أو IP يغير النتيجة | فقط إن ذكرته في الطلب — ويبقى مع ذلك تخمينًا |
| السلوك بعد اثني عشر شهرًا | العقد نفسه لنقطة النهاية، منشور بصيغة OpenAPI؛ وv1 وv2 يعملان معًا | النماذج تُلغى وتُستبدل، والأجوبة تتحرك معها |
| معالجة دفعية | 100 اسم لكل طلب، أو ملف CSV يصل إلى 10 ملايين صف | حدود السياق والتقسيم وحدود المعدل وإعادة المحاولة، تكتبها بنفسك |
| وحدة التكلفة | credit واحد لكل بحث، من حزمة اشتريتها مقدمًا | الرموز الداخلة والخارجة — تتغير بطول الطلب وبإعادة المحاولات |
| أين تُعالج البيانات | خوادم في ألمانيا، ومعالجة داخل الاتحاد الأوروبي، وDPA عند الطلب | يتوقف على المزوّد والخطة والمنطقة التي تُمنح لك |
| فصل الاسم الكامل، واستخراج الاسم من عنوان بريد إلكتروني | نقاط نهاية مخصصة | هندسة الطلبات، وفي الحالات الحدية يفشل بصمت |
| اسم لا يملك أحد بيانات عنه | يقول ذلك — تكون قيمة result_found هي false، أو الاحتمال منخفضًا | يجيب على أي حال، وبالنبرة الواثقة نفسها |
| شرح اسم أو أصله أو صيغه المختلفة | ليس هذا الغرض منه | أفضل فعلًا — فهذا ما وُجد النموذج اللغوي من أجله |
ما تكلفة تحديد جنس مليون اسم؟
هذه طريقة الحساب لا رقم تسويقي، حتى تعيد الحساب بأسعار اليوم
مع واجهة برمجية: البحث الواحد credit واحد. أفضل سعر جملة منشور لدينا يعادل نحو €0.35 لكل 1000 اسم، فمليون اسم يكلف قريبًا من €349 صافيًا: مبلغ ثابت، معروف قبل أن تبدأ، على فاتورة تتضمن ضريبة القيمة المضافة. وcredits الحزم المدفوعة مرة واحدة لا تنتهي صلاحيتها
مع نموذج لغوي: تدفع بالرمز، في الاتجاهين، عن كل طلب وكل إعادة محاولة. وجمع عدة أسماء في طلب واحد يخفض التكلفة لكل اسم، لكنك ترسل التعليمات من جديد مع كل دفعة، والأسماء الطويلة والكتابات غير المألوفة تستهلك رموزًا أكثر من القصيرة، والجواب المشوّه يكلفك إعادة المحاولة أيضًا. والنتيجة تقدير لا رقم تضعه في موازنة
من باب الإنصاف: مع بضعة آلاف من الأسماء يكون النموذج العام رخيصًا إلى حد لا يجعل أي من هذا مهمًا. نقطة الانقلاب تأتي مع الحجم، وأبكر مما يوحي به سعر الرموز، لأن كل العمل البرمجي المحيط بالدفعات وإعادة المحاولة والتحقق من الخرج عمل لا تحتاج إليه أصلًا أمام نقطة نهاية للبحث
قابلية التكرار: النقطة التي تحسم الأمر عادةً
شغّل قائمة عملاء مرتين واحصل على نتيجتين مختلفتين، فتصير أمام مشكلة لا تستطيع شرحها: أي تشغيل كان صحيحًا، وما الذي تغير، وماذا تقول للشخص الذي خُوطب « سيد » الشهر الماضي و« سيدة » هذا الشهر
البحث حتمي. الاسم نفسه مع البلد نفسه يعيد الجنس نفسه والاحتمال نفسه وعدد العينات نفسه. وحين تنمو البيانات الأساسية ينمو عدد العينات معها، ظاهرًا في الاستجابة، فيصبح التغيير شيئًا تستطيع أن تشير إليه لا شيئًا حدث فحسب
الجواب المُولَّد لا يقدم ضمانة كهذه. قيمة temperature، أو إصدار جديد للنموذج، أو طلب نظام أُعيدت صياغته، أو تعديل أمان لم يخبرك به أحد: كل واحد منها قادر على قلب اسم على الحدود، ولا واحد منها يترك أثرًا في بياناتك
كل جواب يحمل دليله معه
طلب واحد إلى نقطة النهاية v2:
POST https://gender-api.com/v2/gender/by-first-name
{ "first_name": "Sandra" }{
"input": { "first_name": "Sandra" },
"details": {
"credits_used": 1,
"samples": 464,
"country": null,
"first_name_sanitized": "sandra",
"duration": "436ms"
},
"result_found": true,
"first_name": "Sandra",
"probability": 0.85,
"gender": "female"
}حقلان يؤديان ما لا يقدمه أي جواب مُولَّد. فحقل « samples » يبين على كم مشاهدة يستند الجواب، وحقل « probability » يبين نسبة المؤنث منها. ومعًا يتيحان لك أن تضع حدك الخاص: اقبل النتائج التي تفوق 0.9 مع عدد عينات معقول، وأرسل الباقي إلى مراجعة يدوية، بدل أن تقبل مستوى ثقة واحدًا لقاعدة بياناتك كلها
المرجع الكامل: توثيق واجهة v2
الاسم نفسه ليس الجنس نفسه في كل مكان
Andrea مذكر في الغالب في إيطاليا ومؤنث في الغالب في ألمانيا. وJean مذكر في فرنسا ومؤنث إلى حد كبير في البلدان الناطقة بالإنجليزية. وNikita مذكر في روسيا ومؤنث عادةً في غيرها. هذه ليست حالات حدية غريبة، بل أسماء عادية في قوائم عملاء عادية
اسأل نموذجًا عامًا دون ذكر بلد فتحصل على القراءة التي سادت في نص تدريبه، أي عمليًا القراءة الإنجليزية. أما الواجهة فتأخذ البلد صريحًا:
يعمل locale (en_US) أو عنوان IP للزائر بالقدر نفسه من الجودة، وللسؤال المعاكس نقطة نهاية منفصلة — من أي بلد يأتي الاسم
GDPR، وإلى أين تذهب الأسماء التي ترسلها فعلًا
أسماء العملاء الحقيقيين بيانات شخصية، فهذه مسألة شراء لا حاشية. وما يمكننا قوله بوضوح:
- نحن شركة ألمانية؛ وجميع خوادمنا في ألمانيا، والبيانات تُعالج داخل الاتحاد الأوروبي
- يمكنك طلب اتفاقية معالجة البيانات من حسابك
- تتضمن سجلات الخادم الاسم المُرسل وتُحفظ مدة 14 يومًا لأسباب محاسبية
- تُخزَّن ملفات CSV وExcel المرفوعة مشفَّرة وتُحذف بعد عشرة أيام
- كل عملية شراء تنتج فاتورة نظامية تتضمن ضريبة القيمة المضافة، وأرقام الضريبة الأوروبية تُعالج بشكل صحيح
أما إن كان مزوّد نموذج معين مقبولًا للبيانات نفسها، فذلك سؤال لمسؤول حماية البيانات لديك — لكنه سؤال أطول، وعليك أن تعيده كلما غيّر المزوّد أحد المعالجين الفرعيين. وأجوبتنا موجودة في ملخص الخصوصية
متى يكون ChatGPT الخيار الأفضل
لم تكن هذه الصفحة تستحق القراءة لو كان الجواب دائمًا « اشترِ الواجهة ». وهو ليس كذلك:
- عمل لمرة واحدة. أربعون اسمًا في جدول، بلا خط معالجة، ولن يعيده أحد أبدًا
- تريد التفسير لا الوسم: أصل الاسم، وصيغه، وكيف يُختصر عادةً، وكيف تخاطب شخصًا بلباقة في ثقافة معينة
- أسماء لا تملكها أي قاعدة بيانات: صياغات جديدة، وشخصيات خيالية، ونقول حرفية لا توجد في أي سجل. سيقدم النموذج تخمينًا معقولًا حيث لا يملك البحث شيئًا على الإطلاق
- المخرج الذي تحتاجه نص حر لا حقل: سطر تحية بدل عمود للجنس
لسنا نجامل هنا، فنحن نستخدمها بالطريقة نفسها: أوصاف أصل الأسماء في صفحاتنا يولدها نموذج لغوي، لأن النص هو تحديدًا ما يجيده النموذج اللغوي
الأفضل هو الاثنان معًا: دع النموذج يستدعي الواجهة
إن كنت تبني بالفعل على نموذج لغوي فلا حاجة إلى الاختيار. النماذج الحديثة تستدعي أدوات، والبحث عن الجنس أداة مثالية: سؤال ضيق بجواب واقعي لا يملك النموذج بيانات عنه
ننشر خادم MCP مُستضافًا ليتمكن أي مساعد أو وكيل يدعم MCP من الاستعلام من قاعدة البيانات مباشرة. وأدواته هي query_first_name وquery_full_name وquery_email وget_country_of_origin وget_statistics
ولتعريفات أدواتك الخاصة توجد عملاء رسميون لتسع لغات (PHP, Python, Node, Java, Go, Ruby, Rust, Perl, .NET)، ووصف OpenAPI، ودليل تنفيذ جاهز في /skill.md يمكنك تسليمه مباشرة إلى مساعد برمجي
هذا التقسيم للعمل هو المقصود: النموذج يقرر ما يجب فعله، وقاعدة البيانات تقرر ما هو صحيح
أسئلة متكررة
هل يستطيع ChatGPT تحديد جنس الاسم؟
نعم، ومع الأسماء الشائعة يكون محقًا في الغالب. ما لا يستطيعه: أن يخبرك على كم سجل يستند الجواب، أو أن يضمن الجواب نفسه مرتين، أو أن يعطي جوابًا مختلفًا للاسم نفسه في بلد آخر. كما يجيب بالثقة نفسها عن أسماء لم يرها قط، وهذا تحديدًا هو نمط الفشل الذي يهم عند التوسع
هل واجهة تحديد الجنس أدق من نموذج لغوي؟
بالنسبة إلى اسم موجود في قاعدة أسماء، يكون البحث دقيقًا بحكم بنيته: فهو يعرض التوزيع المرصود لا استنتاجًا. أما مع اسم غير معروف فلا يمكن الثقة بأي من الطريقتين، لكن البحث وحده يعترف بذلك. الفارق الموثوق ليس نسبة دقة واحدة، بل أن كل بحث يأتي مع عدد العينات واحتمال يمكنك أن تضع لهما حدًا
كم يكلف تحديد جنس مليون اسم؟
في Gender-API يكلف البحث الواحد credit واحدًا، فمليون اسم مبلغ ثابت ومعروف: نحو €349 صافيًا بأفضل سعر جملة منشور لدينا، على فاتورة تتضمن ضريبة القيمة المضافة، ويُتفق عليه قبل أن تبدأ. أما مع نموذج لغوي فتدفع بالرمز عن كل طلب وكل إعادة محاولة، فتصبح الفاتورة رهنًا بطول طلبك ولا يمكن إلا تقديرها
هل يمكنني استخدام نموذج لغوي وواجهة تحديد الجنس معًا؟
نعم، وهذا أفضل ترتيب. أعطِ النموذج هذه الواجهة كأداة — ننشر خادم MCP مُستضافًا لهذا الغرض تحديدًا — فيأتي الوسم من قاعدة البيانات والصياغة من النموذج. وبذلك يتوقف النموذج عن التخمين في وقائع لا يملك عنها بيانات
هل للاسم نفسه الجنس نفسه في كل بلد؟
لا، وهنا تحديدًا يخطئ الطلب الذي لا يذكر بلدًا. Andrea مذكر في الغالب في إيطاليا ومؤنث في الغالب في ألمانيا، وJean مذكر في فرنسا ومؤنث إلى حد كبير في البلدان الناطقة بالإنجليزية. تستقبل الواجهة بلدًا أو locale أو عنوان IP وتجيب عن ذلك البلد
ماذا يحدث مع اسم لا تعرفه قاعدة البيانات؟
تحصل على result_found: false، أو على احتمال منخفض مع عدد عينات صغير. هذه إشارة يمكنك التعامل معها: أرسل تلك السجلات إلى مراجعة يدوية، أو ارتد إلى نموذج. أما الجواب المُولَّد فلا يعطيك أي إشارة من هذا النوع
هل يلتزم Gender-API بـ GDPR؟
نحن شركة ألمانية، وجميع الخوادم في ألمانيا، والبيانات تُعالج داخل الاتحاد الأوروبي. ويمكنك طلب اتفاقية معالجة البيانات من حسابك. تُحفظ سجلات الطلبات، التي تتضمن الاسم المُرسل، مدة 14 يومًا لأسباب محاسبية، أما ملفات CSV وExcel المرفوعة فتُخزَّن مشفَّرة وتُحذف بعد عشرة أيام
جرّبه على أسمائك
كل حساب يتضمن 100 عملية بحث مجانية شهريًا — وهي كافية للتحقق من الأسماء التي أخطأ فيها نموذج لغوي. دون بطاقة ائتمان
توثيق الواجهة البرمجية · أضف الجنس إلى ملف CSV أو Excel · خادم MCP
